Данная работа посвящена обзору спектрально-эффективных сигналов Faster-than-Nyquist (FTN), проблем, возникающих при обработке данных сигналов из-за необходимой вычислительной сложности классических алгоритмов вследствие вводимой межсимвольной интерференции. В работе рассматриваются научные публикации и статьи, направленные на снижение сложности приемников с помощью методов машинного обучения. Рассматриваются предложенные архитектуры внедрения нейронных сетей в структуру приемника для различных целей – в качестве детектора, в качестве де-кодера, с целью повышения эффективности ранее предложенных алгоритмов и т.д. Так же, рассмотрены идеи внедрения FTN-сигналов в системы связи нового поколения, такие как неортогональный множественный доступ (англ. NOMA), спектрально-эффективные сигналы с частотным уплотнением (англ. SEFDM).

The given work is devote to a review of spectrally efficient Faster-than-Nyquist (FTN) signals, problems arising in the processing of these signals due to the necessary computational complexity of classical algorithms due to the introduced intersymbol interference. The work considers scientific publications and articles aimed at reducing the complexity of receivers using machine-learning methods. The proposed architectures for introducing neural networks into the structure of the receiver for various purposes are considered - as a detector, as a decoder, in order to increase the efficiency of previously proposed algorithms, etc. Also, the ideas of introducing FTN signals into new generation communication systems, such as non-orthogonal multiple access (NOMA), spectrally efficient signals with frequency division multiplexing, are considered.

• Содержание
• Введение
• Глава 1. Сигналы Faster-Than-Nyquist
• Глава 2. Возможные алгоритмы приема FTN-сигналов
• Глава 3. Методы машинного обучения для приема FTN сигналов
• 3.1. Построение архитектуры приёмного блока FTN-сигналов на основе алгоритмов глубокого обучения
• 3.2. Эквалайзер на основе рекуррентной нейронной сети для приема FTN-сигналов
• 3.3. Алгоритм “sum-product” на основе нейронной сети приема FTN-сигналов
• 3.4. Метод приема FTN-сигналов на основе глубокого обучения в системах неортогонального множественного доступа
• 3.5. Детектор на основе нейронной сети для систем SEFDM
• Глава 4. Сравнение результатов
• Заключение
• Список литературы